22. 10. 2015, ČVUT v Praze Připravil: Ing. Zdeněk Patočka Letecké laserové skenování a jeho využití v inventarizaci lesa Ing. Zdeněk Patočka Ústav hospodářské úpravy lesů a aplikované geoinformatiky, LDF Mendelu v Brně
Úvod strana 2 Metody inventarizace lesa z dat LLS ITD Individual tree detection method Základním principem této metody je detekce jednotlivých stromů a zjišťování stromových charakteristik jako je výška, výčetní tloušťka a objem kmene na základě regresních vztahů. Nutná vyšší hustota bodů LLS minimálně 5 bodů na m2, což zvyšuje nároky na zpracování dat. Ze současných poznatků je využitelná pouze pro mýtní porosty s homogenní strukturou a spíše pro jehličnaté dřeviny s jednoznačně identifikovatelnými vrcholky stromů. ABA Area Based Approach Založena na analýze distribuce bodů LLS v různých výškách v rámci celého lesního porostu a intenzitě odrazu, provádí se statistické zpracování dat. Výhodou je nižší požadovaná hustota bodů LLS (i kolem 1 bodu na m2), nižší nároky na zpracovatelský hardware a software a možnost plošného zpracování pro velké lesní celky (využívána právě v severských zemích). Kombinace obou metod
Terénní měření strana 3 ŠLP Křtiny, polesí Habrůvka 43 zkusných ploch o poloměru 12,62 m Střed plochy zaměřen GNSS aparaturou Topcon Hiper Pro, RTK korekce, 20 minut Měřeny všechny výčetní tloušťky a výšky Výčetní kruhová základna Zásoba dřevní hmoty spočítána podle objemových rovnic
Fusion strana 4 USDA Forest Service, University of Washington
LIDAR Data Viewer strana 5
Zpracování dat strana 6 Vyříznutí zkusných ploch z normalizovaného mračna Příkaz clipdata Vypočítání charakteristik mračna bodů na jednotlivých zkusných plochách Příkaz cloudmetrics 87 charakteristik bodového mračna založených na atributech výška bodu a intenzita odrazu
Zpracování dat strana 7 Total number of returns Count of returns by return number Minimum Maximum Mean Median (output as 50th percentile) Mode Standard deviation Variance Coefficient of variation Interquartile distance Skewness Kurtosis AAD (Average Absolute Deviation) MADMedian (Median of the absolute deviations from the overall median) MADMode (Median of the absolute deviations from the overall mode) L-moments (L1, L2, L3, L4) L-moment skewness L-moment kurtosis Percentile values (1st, 5th, 10th, 20th, 25th, 30th, 40th, 50th, 60th, 70th, 75th, 80th, 90th, 95th, 99th percentiles) Canopy relief ratio ((mean - min) / (max min)) Generalized means for the 2nd and 3rd power (Elev quadratic mean and Elev cubic mean) Percentage of first returns above a specified height (canopy cover estimate) Percentage of first returns above the mean height/elevation Percentage of first returns above the mode height/elevation Percentage of all returns above a specified height Percentage of all returns above the mean height/elevation Percentage of all returns above the mode height/elevation Number of returns above a specified height / total first returns * 100 Number of returns above the mean height / total first returns * 100 Number of returns above the mode height / total first returns * 100
Zpracování dat strana 8 Výpočet korelací mezi taxační veličinou (zásoba, výčetní kruhová základna) a jednotlivými charakteristikami mračna bodů Tvorba lineárního regresního modelu QC Expert testování regresního tripletu
Regresní modely strana 9 Zásoba porostu y= 45,13317342 + 1,841567494x + 0,419936447z x Elev P30 z All returns above mean/total first returns*100 z First returns above mean Koeficient determinace R 2 = 0,82 Regresní triplet model je korektní
Regresní modely strana 10 Výčetní kruhová základna y = 1,60071 + 0,036195x + 0,067997z x Percentage first returns above mean z Elev P20 Koeficient determinace R 2 = 0,72 Regresní triplet model je korektní
Tvorba map taxačních charakteristik strana 11 Vypočítání charakteristik bodového mračna pro celá území Příkaz gridmetrics Velikost pixelu 22,36 m Př. Finsko poloměr zkusné plochy 9 m, pixel 16 m, Ontario poloměr zkusné plochy 11,28 m, pixel 20 m, Britská Kolumbie poloměr zkusné plochy 11,28 m, pixel 20 m
Tvorba map taxačních charakteristik strana 12 Převedení požadovaných charakteristik mračna do rastru ve formátu ASCII Příkaz csv2grid Výpočet map taxačních veličin zadáním regresních rovnic do Raster Calculatoru v ArcGIS
Mapa zásob strana 13
Mapa výčetních kruhových základen strana 14
Porovnání s LHP strana 15 Zonální statistika součet všech pixelů v porostu Přesnost LHP?
Budoucnost strana 16 Využít neparametrické a jiné pokročilé statistiky pro výpočet taxačních veličin k-nn, k-msn, Bayesovská statistika, data-mining Random Forests, neuronové vícevrstvé perceptronové sítě Skript v jazyce Python automatizace zpracování, GUI
strana 17 Děkuji za pozornost Zdeněk Patočka Ústav hospodářské úpravy lesa a aplikované geoinformatiky Lesnická a dřevařská fakulta Mendelova univerzita v Brně xpatock2@mendelu.cz